thesis
This commit is contained in:
parent
9bb23093eb
commit
5d4882281f
@ -2,7 +2,7 @@
|
||||
Ziel der vorliegenden Arbeit war es den Verkehr anhand von Induktionsschleifendaten zu modellieren und Verkehrsfl"usse zu berechnen. Daf"ur wurde ein zweistufiges, Graphen-basiertes Stra"senmodell entwickelt, das speziell auf die Modellierung von induktionsschleifenbest"uckten Kreuzungen ausgelegt ist. Dieses Modell konnte computergest"utzt f"ur einen Ausschnitt der Stadt Darmstadt, die einen gro"sen Teil ihrer Kreuzungen mit Induktionsschleifen versehen hat, implementiert werden. Auf diesem Modell wurden verschiedene Berechnungsans"atze diskutiert. Die Herausforderung ist dabei die geringe Sensordichte, die es verhindert die Werte zu validieren und falsche Messungen zu erkennen. Mithilfe von linearen Gleichungssystemen konnten, anhand des entwickelten Verkehrsmodells, Verkehrswerte innerhalb von Kreuzungen und die Anzahl derjenigen Verkehrsteilnehmer, die auf eine andere Kreuzung zufahren bestimmt werden. Die gro"sen Messintervalle der Induktionsschleifen verhindern allerdings, dass der Verkehr auf Fahrzeugebene vorhergesagt werden kann. Es ist lediglich m"oglich, anhand der von der Stadt Darmstadt gelieferten Daten den Verkehr zu einem Zeitpunkt zu rekonstruieren. Das entwickelte Modell kann dabei auf jede andere Stadt "ubertragen werden, deren Ampelanlagen mit Sensoren am Kreuzungseingang best"uckt sind.\\ \\
|
||||
Innerhalb einer Verkehrsz"ahlung wurde die berechneten Verkehrswerte "uberpr"uft und festgestellt, dass die Sensoren eine ungen"ugende Messgenauigkeiten aufweisen um qualifizierte Verkehrswerte zu berechnen. Die Modellierung f"ur den gew"ahlten Ausschnitt der \textit{Ministadt} hat allerdings gezeigt, dass das Modell f"ur Kreuzungen, welche mit adaptiven Ampelanlagen und den dazugeh"origen Sensoren best"uckt sind, anwendbar ist. Allein anhand der Induktionsschleifenwerten kann der Verkehr dennoch nicht mit gen"ugender Genauigkeit berechnet werden, da die
|
||||
zugrunde liegenden Daten nicht genau genug sind und sich nicht validieren lassen. \\ \\
|
||||
Eine Verbesserung des Modells ist denkbar durch weitere Sensordaten oder genauere Berechnungen in Teilen des Modells. So k"onnten z.B. mit Verkehrskameras genauere Informationen "uber die Fahrzeuge, welche einen Sensor passieren, gewonnen werden. Des weiteren ist es m"oglich durch den fl"achendeckenden Einsatz von Validierungssensoren an den Kreuzungsausg"angen das Abbiegeverhalten an Mischspursensoren direkt zu bestimmen, was zu einer deutlichen Verbesserung der berechneten Werte f"uhren w"urde. Es ist ebenfalls denkbar das Modell mit mehr Informationen zu \textit{taggen} um die Berechnung zu verbessern. Ein Beispiel w"are das Auftragen der H"ochstgeschwindigkeit auf die Kanten des entwickelten Graphen. Um die Geschwindigkeitsdaten verwenden zu k"onnen w"aren allerdings ebenfalls genauere Daten notwendig.\\ \\
|
||||
Eine Verbesserung des Modells ist durch weitere Sensordaten oder genauere Berechnungen in Teilen des Modells denkbar. So k"onnten z.B. mit Verkehrskameras genauere Informationen "uber die Fahrzeuge, welche einen Sensor passieren, gewonnen werden. Des weiteren ist es m"oglich durch den fl"achendeckenden Einsatz von Validierungssensoren an den Kreuzungsausg"angen das Abbiegeverhalten an Mischspursensoren direkt zu bestimmen, was zu einer deutlichen Verbesserung der berechneten Werte f"uhren w"urde. Es ist ebenfalls denkbar das Modell mit mehr Informationen zu \textit{taggen} um die Berechnung zu verbessern. Ein Beispiel w"are das Auftragen der H"ochstgeschwindigkeit auf die Kanten des entwickelten Graphen. Um die Geschwindigkeitsdaten verwenden zu k"onnen w"aren allerdings ebenfalls genauere Daten notwendig.\\ \\
|
||||
Die durch Modell und Berechnung gewonnenen Erkenntnisse k"onnen zur Optimierung von Verkehr, als Analysetool oder zur Planung von neuen Kreuzungen eingesetzt werden. Insbesondere da die Technisierung des Verkehrssystems fortschreitet, ist damit zu rechnen, dass mehr Sensoren auf die Stra"sen gelangen. So sind z.B. Versicherungen stark daran interessiert sog. Blackboxen f"ur PKWs fl"achendeckend einzuf"uhren\cite{art:blackbox}. Diese k"onnen neben Geschwindigkeit, Fahr- und Bremsverhalten die GPS-Position des Fahrzeugs "ubermitteln. Diese Daten w"urden eine Echtzeit-Simulation des Verkehrs erlauben. Insbesondere der fl"achendeckende Einsatz in PKWs w"urde millionen Sensoren auf die Stra"se bringen, deren Daten eine wesentlich genauere Modellierung zulassen w"urden, als das mit ausschlie"slich Induktionsschleifen der Fall ist.\\ \\
|
||||
Die n"achste Generation der verkehrsabh"angig gesteuerten Ampelanlagen, die sog. voll-adaptiven Lichtanlagen, erlauben es Kreuzungen untereinander Sensorwerte auszutauschen um den Verkehr noch besser flie"sen zu lassen. Es ist zu erwarten, das mit dieser neuen Technik noch mehr Induktionsschleifensensorik auf die Stra"sen der Gro"sst"adte gelangt und eine wesentlich genauere Untersuchung des Verkehrs mithilfe des entwickelten Modells und Berechnungen zul"asst als das heute der Fall ist.
|
||||
\newpage
|
||||
@ -38,7 +38,7 @@ In diesem Kapitel werden die Verkehrsdaten, die f"ur diese Arbeit zur Verf"ugung
|
||||
\caption{CSV-Datei Ausschnitt von 8.8.2013}
|
||||
\label{tbl:csv}
|
||||
\end{table}
|
||||
Sensorspalten, welche auf Z enden, bezeichnen den \textit{count}-Wert des jeweiligen Sensors, solche die auf B enden den \textit{load}-Wert. Jede Zeile in der CSV-Datei repr"asentiert eine Kreuzung zu dem gegebenen Zeitpunkt. F"ur eine Kreuzung k"onnen dabei bis zu 64 Sensoren in der CSV-Datei bereitgestellt werden. Um die Zuordnung von CSV-Spalte zu dem tats"achlichen Sensornamen herzustellen, werden sog. \textit{"Ubersetzungstabellen} ben"otigt. Diese ordnen einer CSV-Sensorspalte (1-64) einen kreuzungsspezifischen Sensornamen zu, welcher der Sensorbezeichnung der \gls{gls:cad}-Zeichnungen der Kreuzungen entspricht. In der Praxis wird eine solche "Ubersetzungstabelle durch einen Offset auf der CSV-Datei im Computer nachgebildet. F"ur die in diese Arbeit modellierten Kreuzungen sind \textit{"Ubersetzungstabellen} sowie die CAD-Zeichnung im Anhang zu finden (siehe Kapitel \ref{anhang:a3})\footnote{Die CAD-Zeichnungen, sowie die "Ubersetzungstabellen aller Kreuzungen sind unter \url{http://www.da-sense.de/trafficdata/} zu finden}.
|
||||
Sensorspalten, welche auf Z enden, bezeichnen den \textit{count}-Wert des jeweiligen Sensors, solche die auf B enden den \textit{load}-Wert. Jede Zeile in der CSV-Datei repr"asentiert eine Kreuzung zu dem gegebenen Zeitpunkt. F"ur eine Kreuzung k"onnen dabei bis zu 64 Sensoren in der CSV-Datei bereitgestellt werden. Um die Zuordnung von CSV-Spalte zu dem tats"achlichen Sensornamen herzustellen, werden sog. \textit{"Ubersetzungstabellen} ben"otigt. Diese ordnen einer CSV-Sensorspalte (1-64) einen kreuzungsspezifischen Sensornamen zu, welcher der Sensorbezeichnung der \gls{gls:cad}-Zeichnungen der Kreuzungen entspricht. In der Praxis wird eine solche "Ubersetzungstabelle durch einen Offset auf der CSV-Datei im Computer nachgebildet. F"ur die, in diese Arbeit modellierten Kreuzungen sind \textit{"Ubersetzungstabellen} sowie die CAD-Zeichnung im Anhang zu finden (siehe Kapitel \ref{anhang:a3})\footnote{Die CAD-Zeichnungen, sowie die "Ubersetzungstabellen aller Kreuzungen sind unter \url{http://www.da-sense.de/trafficdata/} zu finden}.
|
||||
\subsubsection{MYSQL-Daten der JEE6 Anwendung \textit{TrafficEye}} \label{sec:datengrund:inductvalues:mysql}
|
||||
Im Rahmen der Arbeit von \textsc{C. M"uller}\cite{thesis:mueller}, wurde eine \gls{gls:jee6}\footnote{Das aktuelle JEE-Framework ist unter \url{http://www.oracle.com/technetwork/java/javaee/overview/} zu erhalten.} Anwendung mit dem Namen \textit{TrafficEye} entwickelt, die die aufbereiteten Verkehrsdaten der Stadt Darmstadt bereit stellt. Hierf"ur wurden die CSV-Dateien eingelesen und in eine \gls{gls:mysql}-Datenbank "uberf"uhrt. Die dort gesammelten Sensordaten wurden bereits mit Geoinformationen des OpenStreetMap Projektes\footnote{Die Website des OpenStreetMap-Projektes ist unter \url{http://openstreetmap.org/} zu erreichen.} verkn"upft und erlauben es eine Position f"ur Kreuzungs- und Sensorknoten zu bestimmen.
|
||||
\begin{figure}[h]
|
||||
|
||||
@ -5,12 +5,12 @@ Neben einer verbesserten Ampelsteuerung, um den Verkehr schneller flie"sen zu la
|
||||
\begin{figure}[h]
|
||||
\centering
|
||||
\includegraphics[width=0.95\textwidth]{ext/colage}
|
||||
\caption[Drei Visualisierungen des betrachteten Ausschnitts der Stadt Darmstadt]{Drei Visualisierungen der Kreuzungs"ubersicht, des in dieser Arbeit betrachteten Ausschnitts der Stadt Darmstadt. a) h"andische Visualisierung b) Visualisierung mithilfe der OSM-Karte c) Visualisierung des Graphenmodells}
|
||||
\caption[Drei Visualisierungen des betrachteten Ausschnitts, der Stadt Darmstadt]{Drei Visualisierungen der Kreuzungs"ubersicht, des in dieser Arbeit betrachteten Ausschnitts der Stadt Darmstadt. a) h"andische Visualisierung b) Visualisierung mithilfe der OSM-Karte c) Visualisierung des Graphenmodells}
|
||||
\label{abb:3vis}
|
||||
\end{figure}
|
||||
\\
|
||||
In dieser Arbeit wird untersucht, inwieweit die Sensorik einer verkehrsaufkommensgesteuerten Ampelanlage ausreicht, um Verkehr zu modellieren und zu bestimmen, in welche Richtung und wie viel Verkehr aus und in die Kreuzungen flie"st. Dies ist besonders interessant, da die Sensorik bereits auf der Stra"se verbaut ist und keine manuellen Datenerhebungen notwendig sind. Die Herausforderung dabei ist, dass nicht alle Stra"sen und Kreuzungen mit Induktionsschleifen ausgestattet sind, da nicht alle Kreuzungen Ampelanlagen aufweisen, welche die Sensorik erfordern. Man m"ochte allerdings Verkehrswerte f"ur diese, nicht bekannten Bereiche, berechnen oder absch"atzen k"onnen, um die momentane Verkehrssituation besser einsch"atzen und sich einen "Uberblick "uber die aktuelle Verkehrslage verschaffen zu k"onnen. Dabei erweisen sich die geringe Sensormenge und der gro"se Abstand zwischen diesen, als die gr"o"sten Herausforderungen. F"ur die Untersuchung wurde ein Ausschnitt des Stra"sennetzes der Stadt Darmstadt\footnote{Die Website der Stadt Darmstadt ist unter \url{http://www.darmstadt.de/} zu erreichen.} gew"ahlt (siehe \autoref{abb:3vis}) und ein Modell f"ur eine Kreuzung und ein zweites Modell f"ur Kreuzungen und deren Verbindungen untereinander erstellt. Hierf"ur wird, im Gegensatz zu industriellen Verkehrssimulationswerkzeugen ein makroskopischer Ansatz gew"ahlt, um der geringen Sensordichte gerecht zu werden.\\ \\
|
||||
F"ur diese Aufgabe stehen die Sensordaten von den Ampelanlagen der Stadt Darmstadt zur Verf"ugung. Die Stadt hat eine Vielzahl ihrer Kreuzungen mit sog. Induktionsschleifen, Verkehrssensoren, best"uckt. Diese liefern im Minutentakt Messwerte "uber die Anzahl der Fahrzeuge, welche den Sensor passieren und wie lange der Sensor von Fahrzeugen belegt war. F"ur diese Arbeit wurde ausschlie"slich der Z"ahlwert der Fahrzeuge zur Berechnung von Verkehr verwendet. Es wurde ein Ausschnitt von zehn Kreuzungen betrachtet, die eine hohe Sensordichte aufweisen (178 Sensoren). Die Einschr"ankung auf das verkleinerte Gebiet begr"undet sich aus der Menge der zu betrachtenden Daten. Die Stadt Darmstadt hat 2327 Sensoren auf 139 Kreuzungen in ihrem Stadtgebiet verbaut. Das Betrachten eines kleineren Ausschnitts erm"oglichte es, im Rahmen dieser Arbeit, eine genauere Untersuchung durchzuf"uhren, als dies auf dem gesamten Stadtgebiet der Stadt Darmstadt m"oglich w"are. F"ur eine erste Untersuchung wurden die zehn Kreuzungen h"andisch modelliert. Mit den Erkenntnissen dieser Modellierung wurde ein generisches Modell des Verkehrssystems auf Basis von Induktionsschleifensensoren entwickelt.
|
||||
F"ur diese Aufgabe stehen die Sensordaten von den Ampelanlagen der Stadt Darmstadt zur Verf"ugung. Die Stadt hat eine Vielzahl ihrer Kreuzungen mit sog. Induktionsschleifen, Verkehrssensoren, best"uckt. Diese liefern im Minutentakt Messwerte "uber die Anzahl der Fahrzeuge, welche den Sensor passieren und wie lange der Sensor von Fahrzeugen belegt war. F"ur diese Arbeit wurde ausschlie"slich der Z"ahlwert der Fahrzeuge zur Berechnung von Verkehr verwendet. Es wurde ein Ausschnitt von zehn Kreuzungen betrachtet, die eine hohe Sensordichte aufweisen (178 Sensoren). Die Einschr"ankung auf das verkleinerte Gebiet begr"undet sich aus der Menge der zu betrachtenden Daten. Die Stadt Darmstadt hat 2327 Sensoren auf 139 Kreuzungen in ihrem Stadtgebiet verbaut. Das Betrachten eines kleineren Ausschnitts erm"oglichte es im Rahmen dieser Arbeit, eine genauere Untersuchung durchzuf"uhren, als dies auf dem gesamten Stadtgebiet der Stadt Darmstadt m"oglich w"are. F"ur eine erste Untersuchung wurden die zehn Kreuzungen h"andisch modelliert. Mit den Erkenntnissen dieser Modellierung wurde ein generisches Modell des Verkehrssystems auf Basis von Induktionsschleifensensoren entwickelt.
|
||||
\begin{figure}[h]
|
||||
\centering
|
||||
\includegraphics[width=0.95\textwidth]{ext/systembild}
|
||||
|
||||
@ -46,7 +46,7 @@ In diesem Kapitel werden die Grundlagen der Verkehrstechnik und -modellierung be
|
||||
\subsection{Makro- und mikroskopische Modellierung von Verkehr}\label{sec:macromicro}
|
||||
In der Verkehrstechnik wird zwischen verschiedenen Arten der Verkehrsmodellierung unterschieden. Dabei kann ein Modell nach seinem Verwendungszweck klassifiziert werden. Es wird zwischen vier verschiedenen Arten des Verwendungszwecks unterschieden \cite{lect:simumod}:
|
||||
\begin{enumerate}
|
||||
\item{Erkl"arungsmodelle: dienen dazu reale Ph"anomen oder deren Entstehung zu erkl"aren.}
|
||||
\item{Erkl"arungsmodelle: dienen dazu, reale Ph"anomen oder deren Entstehung zu erkl"aren.}
|
||||
\item{Prognosemodelle: dienen der Vorhersage verschiedenster Verkehrsparameter.}
|
||||
\item{Gestaltungsmodelle: dienen der Voraussage von Ver"anderungen des Verkehrsverhaltens bei (infrastrukturellen) Ma"snahmen.}
|
||||
\item{Optimierungsmodelle: dienen der Optimierung von Verkehr.}
|
||||
|
||||
@ -72,7 +72,7 @@ Um ein Verkehrsmodell zu entwickeln, muss zuerst festgelegt werden, welche Art d
|
||||
\caption[Graphen-Typen]{Graphen-Typen a) ungerichteter Graph b) gerichteter Graph c) ungerichteter Graph mit Mehrfachkanten}
|
||||
\label{abb:graphen}
|
||||
\end{figure}
|
||||
Bei dem, in dieser Arbeit entworfen Graphen handelt es sich um gerichtete Graphen ohne Mehrfachkanten, da jede Fahrspuren durch einen eigenen Sensorknoten modelliert und aus diesem Grund keine Mehrfachkanten ben"otigt werden. Typische Algorithmen auf einem Graphen sind die Tiefensuche, Breitensuche oder Wegfindungsalgorithmen. \\ \\
|
||||
Bei dem in dieser Arbeit entworfen Graphen, handelt es sich um einen gerichteten Graphen ohne Mehrfachkanten, da jede Fahrspuren durch einen eigenen Sensorknoten modelliert und aus diesem Grund keine Mehrfachkanten ben"otigt werden. Typische Algorithmen auf einem Graphen sind die Tiefensuche, Breitensuche oder Wegfindungsalgorithmen. \\ \\
|
||||
Die mathematischen Definitionen und Namenskonventionen entstammen dem Standartwerk \textit{Introduction to Algorithms}\cite{book:cormen}.
|
||||
\subsubsection{Kreuzungsgraph} \label{sec:modell:graph:xr}
|
||||
Da der Kreuzungs"ubersichtsgraph die Kreuzungsgraphen als Knoten beinhalten soll, um den Zusammenhalt des Modells zu gew"ahrleisten, werden zuerst die Kreuzungsgraphen modelliert. Dabei gilt es folgende Elemente abzubilden und entweder als Knoten oder als Kante zu definieren. Validierungssensoren werden aus der Modellierung au"sen vorgelassen, um die Modellierung und Berechnung zu vereinfachen. Stattdessen wird der entsprechende Eingangsknoten direkt mit dem Ausgang verbunden.
|
||||
@ -111,7 +111,7 @@ Um ein Verkehrsmodell zu entwickeln, muss zuerst festgelegt werden, welche Art d
|
||||
\caption{Allgemeine Kreuzungsausgangsmatrix}
|
||||
\label{tbl:ausgangsmatrixallg}
|
||||
\end{table}\\
|
||||
Die Allgemeine Form einer Ausgangsmatrix ist in \autoref{tbl:ausgangsmatrixallg} beschrieben. $Out_1$ bis $Out_4$ bezeichnen dabei die Ausg"ange einer Kreuzung. Je nach Kreuzung k"onnen dies auch weniger Ausg"ange sein. $S_1$ bis $S_n$ bezeichnen die einzelnen Sensoren, einschlie"slich der virtuellen Sensoren f"ur Kreuzungseingangsspuren ohne Sensor. Da alle modellierten Kreuzungen der Stadt Darmstadt auf jeder Eingangsspur mit Sensoren best"uckt sind, sind keine virtuellen Sensoren f"ur Eingangsspuren notwendig. Die Werte der Matrize bestimmen, ob eine Verbindung zwischen Sensor und jeweiligem Kreuzungsausgang besteht. Einspursensoren besitzen nur eine Verbindung, Mischspursensoren besitzen dagegen mehr als eine Verbindung.\\ \\
|
||||
Die allgemeine Form einer Ausgangsmatrix ist in \autoref{tbl:ausgangsmatrixallg} beschrieben. $Out_1$ bis $Out_4$ bezeichnen dabei die Ausg"ange einer Kreuzung. Je nach Kreuzung k"onnen dies auch weniger Ausg"ange sein. $S_1$ bis $S_n$ bezeichnen die einzelnen Sensoren, einschlie"slich der virtuellen Sensoren f"ur Kreuzungseingangsspuren ohne Sensor. Da alle modellierten Kreuzungen der Stadt Darmstadt auf jeder Eingangsspur mit Sensoren best"uckt sind, sind keine virtuellen Sensoren f"ur Eingangsspuren notwendig. Die Werte der Matrize bestimmen, ob eine Verbindung zwischen Sensor und jeweiligem Kreuzungsausgang besteht. Einspursensoren besitzen nur eine Verbindung, Mischspursensoren besitzen dagegen mehr als eine Verbindung.\\ \\
|
||||
Am Beispiel der Kreuzung A23 sei das hier demonstriert. Dabei entf"allt eine Ausgangszeile, da die A23 eine Einbahnstra"se beinhaltet, welche es gebietet, die Kreuzung nicht in die eine Richtung zu verlassen. Die entsprechenden Ausgangszeilen werden dabei mit der, auf den Ausgang folgenden, Kreuzung benannt. Die \autoref{abb:ausmatrixa23} beschreibt die Ausgangsmatrix der Kreuzung A23. Um die Zusammensetzung der Matrizen zu verdeutlichen sind in \autoref{abb:a23marked} die Verbindungen f"ur den Eingang aus Richtung A4 markiert, sowie die Verbindungen f"ur den Ausgang in Richtung A104.
|
||||
\begin{table}[h]
|
||||
\centering
|
||||
@ -195,7 +195,7 @@ Um ein Verkehrsmodell zu entwickeln, muss zuerst festgelegt werden, welche Art d
|
||||
\item{Der Typ der Spur, auf dem der Sensor verbaut ist: Misch- oder Einzelspur}
|
||||
\item{F"ur virtuelle Sensoren der Aus- und Eing"ange einer Kreuzung, der Name der vorhergehenden bzw. nachfolgenden Kreuzung.}
|
||||
\end{itemize}
|
||||
Dabei ist die \textit{ID} ein eindeutiges Merkmal des Sensors. Der Sensorname dagegen ist nur innerhalb einer Kreuzung eindeutig. So ist auf Kreuzung A4 (siehe Anhang \ref{anhang:a4}) ein Sensor D11 zu finden, sowie auf Kreuzung A5 (siehe Anhang \ref{anhang:a5}) einer mit dem selben Namen. Dementsprechend sind Verkn"upfungen unter den Sensoren "uber die Sensor ID identifiziert. Diese Verkn"upfungen werden "uber die Felder \textit{toSensorLeftID}, \textit{toSensorStraightID} und \textit{toSensorRightID} modelliert und erlauben es den Graphen aufzubauen. Verbindungen zwischen Knoten werden dabei in Verkehrsflussrichtung gespeichert. Das Feld \textit{multipleOutputDirections} bestimmt, ob es sich um einen Misch- oder Einspursensor handelt. In der Spalte \textit{sensorType} wird der Typ des Sensors gespeichert. Eine zus"atzliche Tabelle erlaubt es Einzelheiten zu den verschiedenen Sensortypen zu definieren. In dieser Arbeit wird nur auf die beiden Sensortypen \textit{virtueller Sensor} und \textit{realer Sensor} zur"uckgegriffen. Die Datenbankstruktur erlaubt es allerdings, durch Hinzuf"ugen einer Zeile in der Tabelle \textit{bt\_sensor\_types}, einen neuen Sensortyp zu definieren. Auf diesen Typ kann ein Algorithmus, der auf dem Graphen rechnet, anders als auf die anderen beiden Sensortypen reagieren.\\ \\
|
||||
Dabei ist die \textit{ID} ein eindeutiges Merkmal des Sensors. Der Sensorname dagegen ist nur innerhalb einer Kreuzung eindeutig. So ist auf Kreuzung A4 (siehe Anhang \ref{anhang:a4}) ein Sensor D11 zu finden, sowie auf Kreuzung A5 (siehe Anhang \ref{anhang:a5}) einer mit dem selben Namen. Dementsprechend sind Verkn"upfungen unter den Sensoren "uber die Sensor ID identifiziert. Diese Verkn"upfungen werden "uber die Felder \textit{toSensorLeftID}, \textit{toSensorStraightID} und \textit{toSensorRightID} modelliert und erlauben es den Graphen aufzubauen. Verbindungen zwischen Knoten werden dabei in Verkehrsflussrichtung gespeichert. Das Feld \textit{multipleOutputDirections} bestimmt, ob es sich um einen Misch- oder Einspursensor handelt. In der Spalte \textit{sensorType} wird der Typ des Sensors gespeichert. Eine zus"atzliche Tabelle erlaubt es, Einzelheiten zu den verschiedenen Sensortypen zu definieren. In dieser Arbeit wird nur auf die beiden Sensortypen \textit{virtueller Sensor} und \textit{realer Sensor} zur"uckgegriffen. Die Datenbankstruktur erlaubt es allerdings, durch Hinzuf"ugen einer Zeile in der Tabelle \textit{bt\_sensor\_types}, einen neuen Sensortyp zu definieren. Auf diesen Typ kann ein Algorithmus, der auf dem Graphen rechnet, anders als auf die anderen beiden Sensortypen reagieren.\\ \\
|
||||
Die Definition f"ur Kreuzungen ist dagegen deutlich einfacher. Da jede Kreuzung, die modelliert wurde, h"ochsten vier Ausg"ange hat, m"ussen jeweils vier Ausg"ange sowie vier Eing"ange modelliert werden. Auch hier werden Latitude und Longitude ben"otigt, um die Kreuzung auf einer Karte, oder relativ zu anderen Objekten der Modellierung, darstellen zu k"onnen. Die Kreuzungsnamen sind in der Stadt Darmstadt eindeutig, weshalb es keine ID f"ur eine Identifikation von Kreuzungen bedarf. Die Kreuzungen werden in der Tabelle \textit{bt\_Crossroads} gespeichert. F"ur Kreuzungen, die nicht mehr modelliert werden, wird daf"ur ein \textit{end} f"ur den entsprechenden Ausgang einer Kreuzung eingetragen.\\ \\
|
||||
Die Tabelle \textit{bt\_Values} enth"alt aufbereitete Induktionsschleifenwerte. Diese werden mit den Abfragen, welche in Kapitel \ref{sec:daten} beschrieben sind, aus der MYSQL-Datenbank der TrafficEye-Anwendung\cite{thesis:mueller} extrahiert, um die manuelle Untersuchung der CSV-Dateien zu umgehen. Sensoren werden hierf"ur mit ihrer eindeutigen ID identifiziert. Ein Zeitstempel der Sensordaten erlaubt es mehrere Datens"atze verschiedener Zeiten zu speichern. Ein Filter auf dem Zeitstempel erm"oglicht es Daten eines gew"ahlten Zeitpunktes wieder zu extrahieren. Gespeichert werden daf"ur die Messwerte \textit{load} und \textit{count} der Induktionsschleifen, zusammen mit der eindeutigen Sensor ID und dem entsprechen Zeitstempel.\\ \\
|
||||
Die Tabelle \textit{bt\_FlowStatistics} enth"alt Abbiegewahrscheinlichkeiten f"ur Sensoren. Da diese Werte der Abbiegewahrscheinlichkeitstabelle der Stadt Darmstadt entnommen wurden, werden Sensoren "uber Kreuzungs- und Sensorname identifiziert und nicht "uber eine eindeutige Sensor ID. Dies ist m"oglich, obwohl Sensornamen nicht eindeutig sind, da innerhalb einer Kreuzung eine eindeutige Identifikation "uber den Namen des Sensors m"oglich ist. Eine Kombination aus dem eindeutigen Kreuzungsnamen und des, innerhalb der Kreuzung, eindeutigen Sensornamens, kann ein Sensor eindeutig identifizieren. F"ur die Abbiegewahrscheinlichkeitstabelle werden, neben dem Kreuzungs- und Sensornamen, bis zu drei verschiedene Abbiegewahrscheinlichkeiten angegeben. N"amlich die Wahrscheinlichkeit, dass ein Verkehrsteilnehmer, der "uber den Sensor f"ahrt, die Kreuzung rechts, links oder geradeaus verl"asst. Zus"atzlich wird der n"achste Sensorknoten f"ur jede Richtung mit angegeben\footnote{Hier reicht der Name des n"achsten verbundenen (virtuellen) Sensors, da nur Sensorknoten angefahren werden k"onnen, die sich innerhalb einer Kreuzung befinden - der Name ist innerhalb von Kreuzungen eindeutig.}. Wie die Zuordnung der Abbiegewahrscheinlichkeiten f"ur Links, Rechts und Geradeaus zu einem Knoten erfolgt, wird im Kapitel \ref{sec:berechnung} beschrieben.\\
|
||||
|
||||
@ -1,7 +1,7 @@
|
||||
\section{Kurzfassung}\label{sec:uebersicht}
|
||||
In Ballungsgebieten, vornehmlich in St"adten, steigt die Anzahl der Verkehrsteilnehmer. Insbesondere die Anzahl der Fahrzeuge ist in den letzten Jahren drastisch gestiegen. Diese zunehmende Belastung wirkt sich auf Stra"sen, auf den Verkehr und durch Verschmutzung und L"armbelastung auch auf den Menschen aus. Um der gestiegenen Anzahl an Fahrzeugen gerecht werden zu k"onnen, wurden verkehrsabh"angige Ampelanlagen entwickelt, welche ihre Ampelphasen dem Verkehrsaufkommen anpassen. Hierf"ur wird der Verkehr der einzelnen Spuren einer Kreuzung mithilfe von Sensoren - Induktionsschleifen - erfasst. Mit der fortschreitenden Technisierung und dem gestiegenem Verkehr erhielten diese \textit{adaptiv} gesteuerten Ampelanlagen Einzug in die Stra"sen gr"o"serer St"adte, um die bereits vorhandenen Verkehrswege besser nutzen zu k"onnen.\\ \\
|
||||
In dieser Arbeit wird untersucht, in wieweit man durch Verkehrsdaten, die mit Hilfe von Induktionsschleifen auf den Stra"sen erfasst werden, Verkehrsfl"usse berechnen und voraussagen kann. Hierf"ur wurde ein zweistufiges Graphen-basiertes Modell der Stra"se entwickelt und verschiedene Ans"atze, um Verkehrsfl"usse innerhalb einer Kreuzung und zwischen Kreuzungen zu berechnen, diskutiert. Als Grundlage dieser Berechnungen dienen Induktionsschleifenwerte der Stadt \textit{Darmstadt}, die eine Vielzahl ihrer Kreuzungen mit Induktionsschleifen versehen hat.\\ \\
|
||||
Mithilfe von linearen Gleichungssystemen konnten Verkehrsfl"usse innerhalb von Kreuzungen, sowie eine Anzahl an Verkehrsteilnehmern, welche eine Kreuzung in eine bestimmte Richtung verlassen, berechnet werden. Neben den Sensorwerten der Induktionsschleifen kamen dabei sog. Abbiegewahrscheinlichkeiten zum Einsatz. Diese wurden ebenfalls von der Stadt Darmstadt zur Verf"ugung gestellt. Eine Visualisierung des entwickelten Graphen erlaubt es die berechneten Verkehrsfl"usse besser zu untersuchen. Eine zweite Visualisierung projeziert das Stra"senmodell auf eine Luftbildkarte. Die Validit"at der ermittelten Daten h"angt allerdings von den zugrundeliegenden Sensorwerten ab. In einer Verkehrsz"ahlung konnten ein Teil der modellierten Sensoren untersucht und bei einigen Z"ahlungen eine sehr hohe Genauigkeit festgestellt werden. Bei anderen Untersuchungen ergab die Z"ahlung allerdings Abweichungen von bis zu siebenhundert Prozent.\\ \\
|
||||
Mithilfe von linearen Gleichungssystemen konnten Verkehrsfl"usse innerhalb von Kreuzungen, sowie eine Anzahl an Verkehrsteilnehmern, welche eine Kreuzung in eine bestimmte Richtung verlassen, berechnet werden. Neben den Sensorwerten der Induktionsschleifen kamen dabei sog. Abbiegewahrscheinlichkeiten zum Einsatz. Diese wurden ebenfalls von der Stadt Darmstadt zur Verf"ugung gestellt. Eine Visualisierung des entwickelten Graphen erlaubt es, die berechneten Verkehrsfl"usse besser zu untersuchen. Eine zweite Visualisierung projeziert das Stra"senmodell auf eine Luftbildkarte. Die Validit"at der ermittelten Daten h"angt allerdings von den zugrundeliegenden Sensorwerten ab. In einer Verkehrsz"ahlung konnten ein Teil der modellierten Sensoren untersucht und bei einigen Z"ahlungen eine sehr hohe Genauigkeit festgestellt werden. Bei anderen Untersuchungen ergab die Z"ahlung allerdings Abweichungen von bis zu siebenhundert Prozent.\\ \\
|
||||
|
||||
\section*{Abstract}
|
||||
In urban areas, particularly in cities, the number of road users is increasing. Especially the number of cars has increased dramatically in recent years. This increase affects roads, traffic, and by pollution also humans. To meet the requirements for the increased number of vehicles new traffic-light systems have been developed which can adjust their traffic signals according to traffic volume. For this purpose, the traffic of the individual lanes of a crossing is monitored by sensors - so called inductive loops. With the progressive technologization and increased traffic so called \textit{adaptive} traffic light systems found a way into the streets of major cities to use the existing roads in a more effective manner.\\ \\
|
||||
|
||||
@ -13,7 +13,7 @@ F"ur die Validierung wurde die Hypothese H1 formuliert:
|
||||
Da kein anderes Testverfahren gefunden wurde, welches eine Validierung der Daten erm"oglicht h"atte, wurde im Rahmen dieser Arbeit eine Verkehrsz"ahlung durchgef"uhrt (siehe Anhang \autoref{verkehrszaelung:xr}). Diese Verkehrsz"ahlung wurde mit Hilfe von \textsc{M. Scholz}\cite{thesis:michael} durchgef"uhrt. Gez"ahlt wurde mit Hilfe von Strichlisten an den Kreuzungen A12, A23 und A4. Dabei wurden in der einen Messreihe die Fahrzeuge an den Ausg"angen gez"ahlt, um die berechneten Werte der virtuellen Kreuzungsausg"ange in dem Graphenmodell validieren zu k"onnen. Desweiteren wurden die Fahrzeuge gez"ahlt, die "uber die Sensoren A12.D31, A23.D3 und A23.D1 gefahren sind. Jeder Sensor bzw. Ausgang wurde daf"ur "uber einen Zeitraum von 15 Minuten beobachtet und der Verkehr gez"ahlt.\\ \\
|
||||
In einem zweiten Schritt wurden anhand der Sensorwerte der Induktionsschleife und des Modells der drei Kreuzungen die Werte f"ur die Ausg"ange berechnet. F"ur Mischspursensoren wurden die Abbiegewahrscheinlichkeiten der Stadt Darmstadt verwendet. Dabei ergab sich eine Differenz von bis zu 65\%. Die beste Berechnung hatte eine Abweichung von 5\%. Die Abbiegewahrscheinlichkeiten erwiesen sich als noch unzuverl"assiger. So wurde f"ur den Sensor A12.D31 eine Abweichung von 130\% festgestellt. Dies erkl"art sich mit der Erhebungsmethode der Abbiegewahrscheinlichkeiten; Sie sind "uber alle Messungen gemittelt.\\ \\
|
||||
Daraufhin wurde der Sensor D31 der Kreuzung A12 in einer zweiten Verkehrsz"ahlung untersucht um die Genauigkeit der Sensoren zu "uberpr"ufen (siehe Anhang \autoref{verkehrszaelung:d31}). Daf"ur wurden diejenigen Verkehrsteilnehmer gez"ahlt, die "uber den Sensor gefahren sind und zwischen den verschiedenen Fahrzeugtypen Auto, LKW und Fahrrad unterschieden. Dabei wurden starke Abweichungen der Sensoren von den gez"ahlten Werten gemessen. Die Durchschnittliche Abweichung von 16.67\% und die maximale Abweichung von 700\% l"asst sich zum einen auf schlechte und ungenaue Sensorik (vgl. Kapitel \ref{sec:grundlagen}) zur"uckf"uhren, zum anderen sind die Sensoren so eingestellt, dass immer jedes Kraftfahrzeug erkannt wird um die Fahrtrichtung frei zu geben. Aus diesem Grund z"ahlt der Sensor LKWs doppelt - dies konnte in der Verkehrsz"ahlung festgestellt werden. \\ \\
|
||||
Die Erkenntnisse "uber die Ungenauigkeiten der Sensoren decken sich mit den Befunden der Dissertation von \textsc{N. Lehnhoff} \cite{thesis:lehnhoff}. In dem dort untersuchten Gebiet der Stadt Hannover wurde eine sehr starke Varianz der Messgenauigkeit der dort verbauten Induktionsschleifen festgestellt. So wird festgestellt, dass etwa ein drittel alle Sensoren eine sehr Hohe Genauigkeit von 90\% aufweisen. Ein anderer Teil dagegen erweist sich als sehr ungenau mit einer Genauigkeit von unter 40\%. Diese Ungenauigkeiten und die Tatsache, dass die Induktionsschleifenwerte die einzigen Sensordaten sind und diese sich nicht unter sich validieren lassen sind Grund f"ur die Ungenauigkeiten der berechneten Verkehrswerte. \\ \\
|
||||
Aufgrund der berechneten Verkehrswerte und deren Abweichung zu den gez"ahlten Werten von 27\% im Durchschnitt ist die Hypothese H1 zu verwerfen. Da sich die Berechnung ausschlie"slich die Sensorwerte der Induktionsschleifen und die Abbiegewahrscheinlichkeiten an den Sensoren st"utzt, steht die Genauigkeit der Berechnung direkt in Verbindung mit der Genauigkeit der Sensordaten bzw. Abbiegewahrscheinlichkeiten. Demzufolge w"urde eine Verbesserung der Daten direkt eine Verbesserung der berechneten Werte herbeif"uhren.\\ \\
|
||||
Die Erkenntnisse "uber die Ungenauigkeiten der Sensoren decken sich mit den Befunden der Dissertation von \textsc{N. Lehnhoff} \cite{thesis:lehnhoff}. In dem dort untersuchten Gebiet der Stadt Hannover wurde eine sehr starke Varianz der Messgenauigkeit der dort verbauten Induktionsschleifen festgestellt. So wurde festgestellt, dass etwa ein drittel alle Sensoren eine sehr Hohe Genauigkeit von 90\% aufweisen. Ein anderer Teil dagegen erweist sich als sehr ungenau mit einer Genauigkeit von unter 40\%. Diese Ungenauigkeiten und die Tatsache, dass die Induktionsschleifenwerte die einzigen Sensordaten sind und diese sich nicht unter sich validieren lassen sind Grund f"ur die Ungenauigkeiten der berechneten Verkehrswerte. \\ \\
|
||||
Aufgrund der berechneten Verkehrswerte und deren Abweichung zu den gez"ahlten Werten, von 27\% im Durchschnitt, ist die Hypothese H1 zu verwerfen. Da sich die Berechnung ausschlie"slich auf die Sensorwerte der Induktionsschleifen und die Abbiegewahrscheinlichkeiten an den Sensoren st"utzt, steht die Genauigkeit der Berechnung direkt in Verbindung mit der Genauigkeit der Sensordaten bzw. Abbiegewahrscheinlichkeiten. Demzufolge w"urde eine Verbesserung der Daten direkt eine Verbesserung der berechneten Werte herbeif"uhren.\\ \\
|
||||
Eine tabellarische Auswertung der Verkehrsz"ahlungen, im Vergleich zu den von den Sensoren gemessenen Werten, ist im Anhang zu finden (siehe \autoref{verkehrszaelung:xr} und \autoref{verkehrszaelung:d31}).
|
||||
\newpage
|
||||
@ -39,9 +39,9 @@ Visualisierung eignet sich deshalb besonders gut, da die berechneten Zusammenh"a
|
||||
frame.getContentPane().add(scrPane, BorderLayout.CENTER);
|
||||
\end{lstlisting}
|
||||
\end{minipage}\\
|
||||
Das Resultat ist eine simple Darstellung des Graphen. Auf Knoten, den Kreuzungen in der Kreuzungs"ubersicht, werden dabei der Name der entsprechenden Kreuzung, sowie die Anzahl der Sensorwerte, die f"ur die Kreuzung zur Verf"ugung stehen, aufgetragen. Ein weiterer Wert zeigt auf, wie viele der Daten f"ur die Berechnung zur Verf"ugung stehen und wie viele Testdaten aus der Gesamtdatenmenge extrahiert wurden. Kanten werden in der Kreuzungs"ubersicht mit dem berechneten Verkehrswert, der in die entsprechenden Richtung aus der Kreuzung flie"st, markiert. Um zwei Kanten, die beiden m"oglichen Fahrtrichtungen zwischen zwei Knoten auseinander halten zu k"onnen, wird an jeder Kante, zus"atzlich zu dem Verkehrswert, die Kreuzung in dessen Richtung der Verkehr flie"st mit angegeben. Dieser Wert entstammt der Berechnung auf den darunterliegenden Kreuzungsgraphen, f"ur die ein Fahrzeug-Wert f"ur alle Ausg"ange berechnet wird - dieser wird daraufhin an die enstrpechenden Kanten im "Ubersichtsgraph annotiert. Die Funktion \textit{drawGUI} des entwickelten Programms f"ur die Modellierung mit Hilfe des JGraphT-Graphen ist dabei f"ur das Konvertieren und Darstellen des Graphen verantwortlich und f"uhrt die Schritte, die in \autoref{lst:create_vis_graph} beschrieben sind, aus. Zus"atzlich wird die gespeicherte Position der Knoten (Latitude und Longitude) auf dem Bildschirm vorangeordnet, sofern eine Positionsangabe vorhanden ist.\\ \\
|
||||
Das Resultat ist eine simple Darstellung des Graphen. Auf Knoten, den Kreuzungen in der Kreuzungs"ubersicht, werden dabei der Name der entsprechenden Kreuzung, sowie die Anzahl der Sensorwerte, die f"ur die Kreuzung zur Verf"ugung stehen, aufgetragen. Ein weiterer Wert zeigt auf, wie viele der Daten f"ur die Berechnung zur Verf"ugung stehen und wie viele Testdaten aus der Gesamtdatenmenge extrahiert wurden. Kanten werden in der Kreuzungs"ubersicht mit dem berechneten Verkehrswert, der in die entsprechenden Richtung aus der Kreuzung flie"st, markiert. Um zwei Kanten, die beiden m"oglichen Fahrtrichtungen zwischen zwei Knoten auseinander halten zu k"onnen, wird an jeder Kante, zus"atzlich zu dem Verkehrswert, die Kreuzung in dessen Richtung der Verkehr flie"st mit angegeben. Dieser Wert entstammt der Berechnung auf den darunterliegenden Kreuzungsgraphen, f"ur die ein Fahrzeug-Wert f"ur alle Ausg"ange berechnet wird - dieser wird daraufhin an die enstrpechenden Kanten im "Ubersichtsgraph annotiert. Die Funktion \textit{drawGUI}, des entwickelten Programms f"ur die Modellierung mit Hilfe des JGraphT-Graphen, ist dabei f"ur das Konvertieren und Darstellen des Graphen verantwortlich und f"uhrt die Schritte, die in \autoref{lst:create_vis_graph} beschrieben sind, aus. Zus"atzlich wird die gespeicherte Position der Knoten (Latitude und Longitude) auf dem Bildschirm vorangeordnet, sofern eine Positionsangabe vorhanden ist.\\ \\
|
||||
F"ur die einzelnen Kreuzungen wird ebenfalls ein Graph generiert, der Sensor- oder virtuelle Sensorknoten als Knoten besitzt. Kanten, die die einzelnen Knoten verbinden, werden mit aufgetragenen Abbiegewahrscheinlichkeiten dargestellt. Knoten geben Auskunft "uber den realen bzw. virtuellen Sensornamen, den Sensorwert und gegebenenfalls einen Testwert. Die berechneten Werte werden ebenfalls wie Sensorwerte dargestellt. Aus diesem Grund wird der Sensorwert als Flie"skommazahl dargestellt, da die Berechnung Flie"skommazahlen liefern kann.\\ \\
|
||||
F"ur das Erzeugen der einzelnen Visualisierungen ist die Funktion \textit{buildXRGUI} zust"andig. Sie funktioniert analog zu der Funktion \textit{drawGUI}.\\ \\
|
||||
In Abbildung \ref{abb:jgraphtubersicht} ist der generierte Kreuzungs"ubersichtsgraph f"ur die \textit{Ministadt} zu sehen. Abbildung \ref{abb:jgraphtxr} stellt die Kreuzung A46 dar. Der Testwert ist immer \textit{null}, da das extrahieren einer Testmenge aus der Gesamtdatenmenge nicht m"oglich war ohne die Berechnung unm"oglich zu machen (siehe Kapitel \ref{sec:validierung}).
|
||||
In Abbildung \ref{abb:jgraphtubersicht} ist der generierte Kreuzungs"ubersichtsgraph f"ur die \textit{Ministadt} zu sehen. Abbildung \ref{abb:jgraphtxr} stellt die Kreuzung A46 dar. Der Testwert ist immer \textit{null}, da das Extrahieren einer Testmenge aus der Gesamtdatenmenge nicht m"oglich war, ohne die Berechnung unm"oglich zu machen (siehe Kapitel \ref{sec:validierung}).
|
||||
}
|
||||
\newpage
|
||||
Loading…
x
Reference in New Issue
Block a user